การเปรียบเทียบประสิทธิภาพเทคนิคเหมืองข้อมูลเพื่อสร้างตัวแบบพยากรณ์ความต้องการของการใช้ผลิตภัณฑ์เครื่องสำอางที่มีส่วนผสมของว่านหางจระเข้ สำหรับวิสาหกิจชุมชนขนาดกลางและขนาดย่อมในพื้นที่จังหวัดประจวบคีรีขันธ์
คำสำคัญ:
เหมืองข้อมูล, การจำแนกข้อมูล, เครื่องสำอางว่านหางจระเข้บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของอัลกอริทึมและคัดเลือกคุณลักษณะที่เหมาะสมของตัวแปรที่นำมาใช้ในการวิเคราะห์หาเทคนิคเหมืองข้อมูลเพื่อสร้างตัวแบบพยากรณ์ความต้องการของการใช้ผลิตภัณฑ์เครื่องสำอางที่มีส่วนผสมของว่านหางจระเข้ ซึ่งมีข้อมูลจำนวน 1,034 ชุดข้อมูล ทำการคัดเลือกคุณลักษณะ(Feature Selection) เพื่อเลือกเฉพาะคุณลักษณะที่สำคัญด้วยวิธี CfsSubsetEval และ InfoGainAttributeEval ร่วมกับเทคนิคจำแนกประเภทข้อมูล(Classification) มาเปรียบเทียบมี 4 วิธี ได้แก่ NaïveBayes MultilayerPerceptron(MLP) J48 และ REPTree ผลการวิจัยพบว่าเทคนิคเหมืองข้อมูลโครงข่ายประสาทเทียมแบบ MLP ใช้ร่วมกับการเลือกคุณลักษณะที่สำคัญด้วยวิธี InfoGainAttributeEval มีค่าความถูกต้องมากที่สุดร้อยละ 93.54 มีประสิทธิภาพดีที่สุด และคุณลักษณะที่สำคัญซึ่งจำเป็นต้องใช้ในพยากรณ์ความต้องการของการใช้ผลิตภัณฑ์เครื่องสำอางที่มีส่วนผสมของว่านหางจระเข้ มี 6 ปัจจัย ได้แก่ ระดับการศึกษา ภูมิภาค ผลิตภัณฑ์ที่เคยใช้ ผลิตภัณฑ์ที่จะซื้อซ้ำ ซื้อผลิตภัณฑ์จากที่ใด เหตุผลในการเลือกซื้อ และจากผลการเปรียบเทียบประสิทธิภาพในครั้งนี้ สามารถนำเทคนิค MLP ไปใช้ในการทำพยากรณ์และเป็นแนวทางในการประชาสัมพันธ์การตลาดเฉพาะกลุ่ม เพื่อแนะนำการซื้อสินค้าผลิตภัณฑ์เครื่องสำอางที่มีส่วนผสมของว่านหางจระเข้ ให้กลุ่มผู้บริโภคที่สนใจได้เข้าถึงสินค้าได้อย่างทั่วถึง
References
สินีนาถ เลิศไพรวัน สุมิตรา ศรีวิบูลย์ และ จันทร์จรัส
ศรีสิริ, “รายงานวิจัยโครงการศึกษาและพัฒนาบรรจุภัณฑ์เครื่องสําอางสมุนไพรเพื่อการส่งออก,” กรุงเทพฯ: มหาวิทยาลัยศรีนครินทรวิโรฒ, 2552.
ประกายดาว ศรีมุษิกโพธิ์, “การใช้วุ้นนว่านหางจระเข้รักษาแผลฉีกขาดและโรคผิวหนังชนิดขี้เรื้อนเปียกในสุนัข,” วารสารเกษตร., ปีที่ 22, ฉบับที่ 3, น. 245–252, 2549.
สมฤดี สังขาว, อทิตยา ขวัญวงส์, นงนุช ขอนทอง, เกศินี ใจดี, ณัฐฐินันท์ ชำรวย, อาภรณ์ พาชัย, มณฑา หมีไพรพฤกษ์ และ ณัฐภานี บัวดี, “ฤทธิ์การต้านอนุมูลอิสระปริมาณวิตามินซีและความพึงพอใจของสบู่ว่านหางจระเข้ผสมน้ำผึ้ง: สมุนไพรพญาไพร อำเภอเมือง จังหวัดกำแพงเพชร,” วารสารวิทยาศาสตร์และเทคโนโลยี(สทวท.)., ปีที่ 4, ฉบับที่ 1, น. 119-126, 2560.
M. A. Hall and G. Holmes, “Benchmarking attribute selection techniques for discrete class data mining,” IEEE Transactions on Knowledge and Data engineering., vol. 15, no. 6, pp. 1437-1447, 2003.
เสกสรรค์ วิลัยลักษณ์, วิภา เจริญภัณฑารักษ์ และ ดวงดาว วิชาดากุล, “การใช้เทคนิคการทำเหมืองข้อมูลเพื่อพยากรณ์ผลการเรียนของนักเรียนโรงเรียนสาธิตแห่งมหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตกำแพงแสน ศูนย์วิจัยและพัฒนาการศึกษา,” วารสาร Veridian E Journal ฯ สาขาวิทยาศาสตร์และเทคโนโลยี., ปีที่ 2, ฉบับที่ 2, น. 1-17, 2558.
U. aiza and N. Ussiph, “Appraisal of the classification technique in data mining of student performance using J48 decision tree, K-Nearest neighbor and multilayer perceptron algorithms,” International Journal of Computer Applications., vol. 179, no. 33, pp. 39-46, 2018.
ณัฐวดี หงษ์บุญมี และ พงศ์นรินทร์ ศรรุ่ง, “การประยุกต์ใช้เทคนิคจําแนกข้อมูลแบบต้นไม้ตัดสินใจเพื่อการวินิจฉัยโรคในโคเบื้องต้นบนโทรศัพท์มือถือ,” วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี., ปีที่ 20, ฉบับที่ 1, น. 44-58, 2561.
D. Verma and N. Mishra, “Analysis and Prediction of Breast Cancer And Diabetes Disease Datasets Using Data Mining Classification Techniques,” in International Conference on Intelligent Sustainable Systems (ICISS), India, 2017.
J. Han and M. Kamber, Data mining concepts and techniques, (2nd ed.), United States of America: Morgan Kaufman Publishers, 2006.
รัชพล กลัดชื่น และ จรัญ แสนราช, “การเปรียบเทียบประสิทธิภาพอัลกอริทึมและการคัดเลือกคุณลักษณะที่เหมาะสมเพื่อการทำนายผลสัมฤทธิ์ทางการเรียนของนักศึกษาระดับอาชีวศึกษา,” วารสารวิจัยมหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี., ปีที่ 17, ฉบับที่ 1, น. 1-10, 2561.
ภรัณยา ปาลวิสุทธ์, “การเพิ่มประสิทธิภาพเทคนิคต้นไม้ตัดสินใจบนชุดข้อมูลที่ไม่สมดุลโดยวิธีการสุ่มเพิ่มตัวอย่างกลุ่มน้อยสำหรับข้อมูลการเป็นโรคติดอินเทอร์เน็ต,” วารสารเทคโนโลยีสารสนเทศ., ปีที่ 12, ฉบับที่ 1, น. 54-63, 2559.
J. Han, M. Kamber and J. Pei, Data mining concepts and techniques, 3rd ed., United States of America: Morgan Kaufman Publishers, 2011.
W. Nor, H. W. Mohamed, M. S. Najib, M. N. Salleh and A. Halim Omar, “A Comparative Study of Reduced Error Pruning Method in Decision Tree Algorithms,” in IEEE International Conference on Control System, Computing and Engineering, Malaysia, 2012.
สายชล สินสมบูรณ์ทอง, “การเปรียบเทียบประสิทธิภาพในการทำนายผลความไม่สมดุลของข้อมูลในการจำแนกด้วยเทคนิคการทำเหมืองข้อมูล,” วารสารวิทยาศาสตร์และเทคโนโลยี., ปีที่ 28, ฉบับที่ 3, น. 383-393, 2563.
A. Navada, A. Ansari, S. Patil, S and B. A. Sonkamble, “Overview of Use of Decision Tree Algorithms In Machine Learning,” in IEEE Control and System Graduate Research Colloquium, Malaysia, 2011.
Z. Wang, J. Liu, G. Sun, J. Zhao, Z. Ding and X. Guan, “An Ensemble Classification Algorithm for Text Data Stream Based on Feature Selection and Topic Model,” in IEEE International Conference on Artificial Intelligence and Computer Applications (ICAICA), China, 2020.
J. Chareonrat, “Analysis on factors affecting normal-grade student dismissal using decision tree,” SNRU Journal of Science and Technology., vol. 8, no. 2, pp. 256-267, 2016.
วิชญ์วิสิธ เกษรสิทธิ์, วิชิต หล่อจีระชุณห์กุล และ จิราวัลย์ จิตรถเวช, “การแก้ปัญหาข้อมูลไม่สมดุลของข้อมูลสำหรับการจำแนกผู้ป่วยโรคเบาหวาน,” KKU RESEARCH JOURNAL (GRADUATE STUDY)., ปีที่ 18, ฉบับที่ 3, น. 11-21, 2560.
Y. Dong, Q. Yue and M. Feng, “An efficient feature selection method for network video traffic classification,” in IEEE 17th International Conference on Communication Technology (ICCT), China, 2017.
J. Bi, K. Zhang and X. Cheng, “Intrusion Detection Base on RBF Neural Network,” in International Symposium on Information Engineering and Electronic Commerce, Ukraine, 2009.
R. Kohavi, “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” in Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence., Canada, 1995.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
